融合注意力机制与神经网络的永磁定位技术.pdf
《融合注意力机制与神经网络的永磁定位技术.pdf》由会员分享,可在线阅读,更多相关《融合注意力机制与神经网络的永磁定位技术.pdf(4页珍藏版)》请在咨信网上搜索。
1、ElectricalAutomation105IntelligentControlTechnology智能控制技术电气自动化2 0 2 3年第45卷第4期融合注意力机制与神经网络的永磁定位技术王姝姝?,戴厚德,林志榕,黄巧园?3(1.福州大学先进制造学院,福建泉州1362251;2.中国科学院海西研究院泉州装备制造研究中心,福建泉州362216;3.厦门理工学院机械与汽车工程学院,福建厦门36 10 2 4)摘要:传统的永磁定位方法为Levenberg-Marquardt(LM)优化算法。针对算法存在运算时间长、快速运动下精度差的问题,提出了一种融合注意力机制的Inception网络的定位方法
2、。首先,将一维磁传感器数据转为二维矩阵数据,以便采用卷积神经网络进行处理;其次,利用Inception网络对六维位姿进行预测,为提升定位精度,在网络中融合了轻量级的卷积块注意力机制;最后将所提方法和LM算法的运算时间及快速运动下位置精度作对比分析。研究结果表明:所提算法在静态下预测的位姿误差为(0.8 6 0.40)m m 和(0.8 10.36),运算速度比LM算法提升2 0 0 倍;快速定位下位置误差在1mm左右,比LM算法下降50%以上。因此所提方法可以实现快速运动下的高精度磁定位。关键词:磁传感器;Inception网络;注意力机制;深度学习;快速运动D0I:10.3969/j.iss
3、n.1000-3886.2023.04.033中图分类号 TP212文献标志码A文章编号10 0 0-38 8 6(2 0 2 3)0 4-0 10 5-0 4Permanent Magnet Positioning Technology Integrated withAttention Mechanism and Neural NetworkWang Shushu-2,Dai Houde,Lin Zhirong,Huang Qiaoyuan?2,3(1.School of Advanced Manufacturing,Fuzhou University,Quanzhou Fujian 362
4、251,China;2.Quanzhou Institute ofEquipment Manufacturing,Haixi Institutes,Chinese Academy of Sciences,Quanzhou Fujian 362216,China;3.School of Mechanical and Automotive Engineering,Xiamen University of Technology,Xiamen Fujian 361024,China)Abstract:The traditional permanent magnet positioning method
5、 is Levenberg-Marquardt(LM)optimization algorithm.Aiming at the problems oflong operation time and poor accuracy in fast motion of the algorithm,an Inception network location method integrating attentionmechanism was proposed.Firstly,the one-dimensional magnetic sensor data was converted into two-di
6、mensional matrix data forprocessing by convolution neural network;secondly,the six-dimensional pose was predicted using the Inception network,in order toimprove the positioning accuracy,the lightweight convolution block attention mechanism was integrated in the network;finally,theoperation time and
7、position accuracy of this method and LM algorithm were compared and analysed.The research results show that thepredicted pose error of the algorithm in static state is the sum,and the operation speed is 200 times faster than LM algorithm;theposition error under fast positioning is about 1 mm,which i
8、s more than 50%lower than LM algorithm.Therefore,this proposedmethod can achieve high-precision magnetic positioning in fast motion.Keywords:magnetic sensor;Inception network;attention mechanism;deep learning;fast motion0 引 言磁定位技术在医疗、自动驾驶和人机交互等跟踪及导航领域起到至关重要的作用。与其他定位技术如激光雷达、视觉和超声波定位技术相比,永磁定位技术具有抗光学干扰
9、、全空间六维位姿跟踪和信号源无能源供给等优点主流的永磁定位技术是LM 优化算法。SON等2 研发的基于Levenberg-Marquardt(LM)算法的永磁定位系统,实现对半径5mm的圆柱形磁体的定位精度为(2.10.8)mm和(6.7 4.3)。因为LM算法是局部寻优,所以该方法的定位精度不够高。文献3提出粒子群融合LM优化算法,跟踪精度得到一定提升。但是该融合算法受限于初值估计,算法复杂度增加,送迭代时间长,无定稿日期:2 0 2 3-0 1-0 3基金项目:国家自然科学基金(6 197 32 93);福建省科技计划项目(2021Y0048)法实现对目标的快速定位。随着深度学习技术的发展
10、,研究人员利用神经网络强大的并行能力、能够充分逼近任意复杂的非线性关系和鲁棒性高的特点,提升磁定位的定位精度。吕博文4 将前馈神经网络融合到LM算法中提升远距离定位精度,在高度为2 96 396 mm范围内的定位误差从41.10 mm降低到16.6 8 mm,角度误差从2 1.53降低到4.41因此,为解决永磁定位中传统算法运行时间长、无法实现快速运动定位和定位精度差的问题,本文提出一种融合轻量级CBAM的Inception卷积神经网络的算法:开创性地提出将一维磁传感器数据处理后转换为二维矩阵的方法,以便卷积神经网络训练;利用Inception网络具有让模型自行选择卷积类型的优点,搭建卷积网络
11、实现对目标的六维位姿预测,并在该网络中融合CBAM注意力机制提取空间与时间特征,降低运行时间,提高目标快速运动时的定位精度。106ElectricalAutomationIntelligentControl Technology智能控制技术电气自动化2 0 2 3年第45卷第4期1传感器与数据预处理1.1磁传感器阵列本文使用的数据采集平台是自主研发的磁传感器采集系统,如图1所示。它包括:间隔为15mm,长宽为2 0 0 mm200mm的磁铁阵列板;16 个三轴磁传感器形成的44阵列;传输速率为20Hz的微控制器;基于C+开发平台的磁场采集软件。跟踪目标是半径5mm的圆柱形永磁体,其位姿为(x,
12、y,z,m,n,p),其中(x,y,z)表示位置,(m,n,p)表示姿态。系统的坐标系如图2 所示。开始H=(m,n,p)磁传感器阵列p(x,y,z)微控制器R永磁软件采集平台Y磁传感器结束X图1磁传感器采集图2永磁传感阵列坐标系平台系统框图1.2传感器数据预处理文献3 指出:对于半径为5mm的圆柱形磁铁,定位高度在40100mm时定位精度最为理想。因此,采集了高度范围在43103mm,间隔2 0 mm平面上的共5万组数据。需要注意的是:由于磁传感器阵列的版图设计工艺偏差,传感器位置和角度需要做好标定;由于环境磁场和地球产生的地磁场干扰,初始采集的磁信号需要做去地磁场及滤波处理,从而减少误差,
13、提升精度。处理后得到来自16 个传感器的磁场强度,如式(1)所示。X=Bor,Bo,Boz.,B15x,Bisy,B15.(1)式中:X为网络的输入;Ba、By、B为第1个传感器在x、y、z 方向接收到的磁场强度,可取0 15。卷积神经网络的输人需要二维矩阵,因此需要将如式(1)所示的一维磁传感器数据转换为二维矩阵如式(2)所示,形成类似于图像的RGB三通道矩阵,确保可送人卷积神经网络中训练。BoxBlxB2xB3BoyBl,B2yB.,BABsxB6xB1xB4yBsyBoyByX=BsxBoxBixB:syBoyBioyBllyB12xB13xB14xB15xBi2yB13yB14yB51
14、Bo.B2:B3厂B4zBs.B6:B7:(2)B:B:B102B1B/2zB13zB14zB152同时,获得的磁钉位置Y=x,y,z,m,n,p 将作为神经网络的真实值,其中Y表示网络的输出。2融合注意力机制的Inception网络2.1Inception网络Inception网络能利用多通道的卷积核提供不同感受野来提升模型的感知能力5。它能在保证模型不损失特征的条件下有效减少参数和卷积核的数量,降低模型的复杂度。其中的池化层可以防止过拟合和降低数据的允余度6 。批标准化能有效缓解由深度增加引起的梯度消失问题。因此,用具有以上优点的Inception网络对永磁体的位姿进行预测。搭建了两个In
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 融合 注意力 机制 神经网络 永磁 定位 技术
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。